从 Retinex 到扩散模型：视频图像夜场景增强算法全景剖析本文系统梳理低照度图像与视频增强（Low-Light Image/Video Enhancement, LLIE/LLVE）领域的技术演进脉络，涵盖从经典物理模型到 2026 年前沿工作的25+ 篇代表性论文，按技术路线分类剖析每篇论文的核心思想、创新点与关键结果，并对趋势进行展望。一、问题背景与技术挑战低照度场景下拍摄的图像和视频普遍存在亮度不足、对比度低、噪声显著、色彩偏移等退化问题。这些退化不仅影响人眼感知质量，更会严重损害目标检测、人脸识别、语义分割等下游视觉任务的性能。在夜间监控、自动驾驶、智能手机摄影、医疗成像等领域，低照度增强是不可或缺的前置环节。低照度增强的技术本质，是在尊重图像成像物理规律的基础上，对图像的亮度分量、对比度分量与噪声分量进行精准分离与优化——既不能单纯提升全局亮度（易导致高光区域过曝、噪声放大），也不能盲目增强对比度（易造成色彩失真、细节断裂）。该领域的核心挑战包括：挑战描述不适定性增强到何种程度为"好"缺乏标准答案，不同人眼感知不一
